摘要 — 自闭症谱系障碍 (ASD) 是一种神经发育综合征,患者的社交互动、沟通技巧和情感表达能力下降。自闭症综合征可以通过脑电图 (EEG) 检测出来。本研究利用自闭症患者的脑电图来支持机器学习方案的分类研究,以获得最佳准确度。对脑电信号进行分类的最佳方法之一是线性判别分析 (LDA),这是一种对自闭症和正常脑电信号进行分类的机器学习技术。之所以选择 LDA,是因为它可以通过利用类间和类内函数来最大化类间距离并最小化散射数量。该方法与其他方法相结合:独立成分分析 (ICA) 和离散小波变换 (DWT),以提高准确度系统。ICA 可以去除脑信号以外的伪影或信号,这些伪影或信号可能会导致脑电信号中的噪声,因此分析的信号是完整的脑电信号,没有其他因素。DWT 可以帮助增加脑电信号中的噪声抑制,并通过频率和时间表示提供信号信息。脑电图数据集来自 16 名儿童(8 名自闭症儿童和 8 名正常儿童)。数据集中的信号使用 ICA 过滤伪影,通过 DWT 分解成三个级别,并使用线性判别分析 (LDA) 技术进行分类。使用混淆矩阵,结果显示最佳准确率为 99%。
多模 Gottesman-Kitaev-Preskill (GKP) 码的最新进展在增强离散和模拟量子信息的保护方面显示出巨大的潜力。这种扩大的保护范围为量子计算带来了机会,通过保护压缩——许多量子计量协议中的基本资源——可以使量子传感受益。然而,量子传感使量子纠错受益的潜力尚未得到充分探索。在这项工作中,我们提供了一个独特的例子,其中量子传感技术可以应用于改进多模 GKP 码。受分布式量子传感的启发,我们提出了分布式双模压缩 (dtms) GKP 码,它以最少的主动编码操作提供了纠错优势。事实上,所提出的代码依赖于单个(主动)双模压缩元件和分束器阵列,可有效地将连续变量相关性分配给许多 GKP 辅助元件,类似于连续变量分布式量子传感。尽管构造简单,但使用 dtms-GKP 量子比特码可实现的代码距离与以前通过强力数值搜索获得的结果相当 [PRX Quantum 4, 040334 (2023)]。此外,这些代码能够实现模拟噪声抑制,超越最著名的双模式代码 [Phys. Rev. Lett. 125, 080503 (2020)],而无需额外的压缩器。我们还为所提出的代码提供了一个简单的两级解码器,对于两种模式的情况,该解码器似乎接近最优,并允许进行分析评估。
周期性结构包括重复单位细胞。从人造的多跨桥到天然存在的原子网格,到处都有周期性结构。Brillouin(1953)首先使用波传播方法来研究周期性晶格的动力学。周期性配置在半导体和晶体中创建电子带的能力类似于弹性介质的结构/声学带。加固的板和壳结构经常用于多种结构应用中,包括桥梁,船体,甲板,飞机和航空飞机火箭/导弹结构,这些结构是周期性结构的示例。Mead(1996)详细概述了有关周期结构振动分析的可用文献。在均质/异质复合结构,波导,音调晶体(PC),声学/弹性超材料,振动声学隔离,噪声抑制设备,振动控制,有向能量的振动等区域中,这可能会导致出色的实施。周期性结构还用于研究滤波器特征(Zheng等,2019)的可调节性,例如所需的声带隙,传播,截止频率,衰减和响应方向。健康监测(Groth等,2020)和对这些结构的损害检测需要很好地了解通过这种周期结构的弹性波的传播。尤其是对电磁波运动的影响(Pierre,2010年)已被广泛研究,并且已应用于许多光学和电磁设备(Bostrom,1983)。有限元(FE)基于理论的数值方法在对各种数值方法之间进行物理结构进行建模时表现出最多的多样性和有用性。使用FEM(PSFEM)的周期性结构中的波传播理论是研究主题的目标,数值解决方案基于结构单位单元的Fe分析。这种数值FE方法可以通过很少的计算工作来实现高精度,并且推荐的选择是预测一维和二维单一波导中的波动(Orris and Petyt,1974; Pany等,2002; Pany and Parthan and Parthan,2003a,2003a; Pany et and; Pany et al。大多数已发布的
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人,2011;Larson 和 Taulu,2018)。EEG 是脑成像科学中广泛使用的媒介,在脑机接口 (BCI;Gao 等人,2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止,不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本,EEG 信号已成为 BCI 系统中的主要媒介。然而,实践证明,由于 EEG 信号能量较弱,EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人,2020),在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中,提高信噪比是一个重要的预处理步骤。传统上,它是使用快速傅里叶变换(FFT)完成的(Wahab et al., 2021)。在BCI中,FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强,它可以生成EEG的二维频谱表示(Ha and Jeong,2019)。然而,STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法(Huang et al., 2019)。此外,基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具(Hsia and Kraft,1983)。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现,但滤波技术并不是 BCI 研究的重点,相关研究也报告了数字滤波器的缺点(Alhammadi and Mahmoud,2016)。在过去的几十年中,随着计算能力的提高,许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术,用于脑电信号中的伪影消除和噪声抑制(Upadhyay et al.,2016)。Djemili 利用经验模态分解将脑电信号分解为固有模态函数,实现了正常和癫痫脑电特征的智能分类(Djemili et al.,2016)。Jiang 的研究中,提出了一种基于多词典的稀疏表示方法,用于癫痫脑电尖峰的自动检测(Jiang et al.,2020)。 Dora 应用变分模态分解来校正 EEG 测量中的伪影(Dora 和 Biswal,2020 年)。Chen 提出了一种稀疏傅里叶变换,并将其应用于电力线伪影消除(Chen et al.,2021b)。